第1部. 人工知能の基本的理解とゲノムや脳システムとの関連付け

(2019年11月15日 10:00〜13:00)

　近年、深層学習という手法により人工知能が大きな威力を発揮してきた。しかし、囲碁、自動運転や臨床画像診断などわかりやすい成功例を見せられるばかりで、強力なツールとどのように対処すべきか戸惑う人々がほとんどではないだろうか。敵か味方かわからない最強力兵器の前で立ちすくむだけでは解決法は見いだせない。詳細な設計図を手に入れ、なぜそのような強力な力を発揮するのかの原理を理解し、その上で、危険なものなら弱点を見つけて破壊するが、社会に利益をもたらすものなら、それを乗っ取って自分で自由に動かせるようにすべきである。
　私は、深層学習を脳が最適行動をとるために用いている原理をコンピュータ上に再現したものと考えている。また、その脳のシステムは、ゲノムが環境に対し生存する確率を最大化するシステムを反映したものと考えている。量子論の父、シュレディンガーが75年前に予測した「生命の原理を負のエントロピーを維持するシステム」とみる見地から解説する。

• データサイエンスの歴史
• 遺伝学、統計学、情報学を経て人工知能の時代へ
• ゲノム、脳、AIのシステムとしての比較
• ゲノム進化を反映し、線形モデルを基本とする統計学
• 脳の機能を反映し、非線形モデルを基本とする深層学習
• 深層学習の原理は社内情報伝達システムと同じ
• 量子論の父、シュレディンガーの2つの予測、コードスクリプト (ゲノム) と負のエントロピー (秩序)
• 負のエントロピーを生み出すシステムとしての「マックスウェルの悪魔」
• ゲノムの生存確率最大化のための尤度関数と最尤法
• 尤度関数の対数としての、負のクロスエントロピー、負のエントロピー
• 教師無し学習と負のエントロピー、教師あり学習と負のクロスエントロピー
• 質疑応答

第2部. 人工知能の遺伝子解析への応用

(2019年11月15日 14:00〜17:00)

　プレシジョン医療の実現や病気の分子メカニズムの解明を目指して医学ビッグデータ解析を行うとき、膨大な変数と、その背後にある複雑な構造の壁が立ちはだかります。それらを克服するには、次元圧縮や特徴抽出、潜在構造の分析が必要となります。そしてそのような分析やモデル構築を推進するには、人工知能で用いられる機械学習、その中でもとくに深層学習が有効と考えられます。
　本セミナーでは、これらの論理と方法について、ゲノム医科学で用いられてきた先端の観測技術や解析技術も併せ、事例を交えて講演と議論をいたします。

• ゲノムワイド関連解析の歴史
• ゲノムワイド関連解析の方法論
• 次世代シークエンサーデータ解析の歴史
• 次世代シークエンサーデータ解析の方法論
• 医学医療ビッグデータ解析による疾患解析と治療法選択
• 機械学習を用いて疾患発症リスク予測モデルを構築する方法
• 遺伝子データなどの非画像データを画像データに変換して深層学習を活用する方法
• 質疑応答